昨日，@Velvet_Capital 正式發佈Velvet Flash 0.1。這是一款專爲加密貨幣操作設計的40億參數模型，目標清晰直接：在涉及資金交互時，同時做到精準與安全。
通用大模型在處理加密場景時常常力不從心。它們可能誤解用戶意圖，選錯平臺指令，提取參數出錯，或者對高風險請求反應遲緩。
\Velvet Flash正是針對這些痛點而生。它需要準確理解用戶目的，選擇正確命令，提取金額、代幣、鏈和地址等關鍵參數，識別危險請求，並在任何資金操作前執行確認。
在一套加密技能基準測試中，Velvet Flash以總分50位列第一。其後依次是Qwen3.5-27B（45分）、DeepSeek-V4（40分）、Llama-3.3-70B（32分），其餘模型分數更低。值得注意的是，它的參數量僅4B，卻超過了比自己大6到17倍的模型。
訓練效果同樣直觀。未經專門訓練的基礎模型只得23分，訓練後直接躍升至50分。五個維度的提升都很顯著：安全性從28升至61，魯棒性從26升至53，清晰度和用戶體驗從22升至52，路由從30升至47，覆蓋面從12升至34。
安全性被置於首位。在金融產品中，模型必須判斷何時繼續、何時追問、何時警告、何時直接拒絕，還要正確解析金額、保護敏感信息、識別可疑請求，絕不在未確認時動用資金。
個別大模型在部分平臺上表現更好。例如Qwen和Llama在Minara上得分更高，Qwen在幣安現貨也更強。但從整體看，小模型擁有更實際的優勢：服務成本更低、延遲更小、基礎設施要求更少，並且完全運行在自有服務器上，迭代和控制都更加靈活。
基準測試覆蓋了Minara、幣安現貨、OKX DEX、Uniswap、GMX、MetaMask等核心平臺，更廣泛的測試還涉及31箇中心化交易所、錢包、DEX和DeFi工具。所有模型使用相同的輸入和評測標準，同時設有安全門檻。未確認即轉移資金或金額解析錯誤等行爲會被直接扣分。
Velvet Flash 0.1僅是第一個版本。後續團隊將繼續擴大平臺覆蓋，打磨邊緣案例，強化安全行爲，並提升複雜多步驟流程的處理能力。長期目標是建立一套內部能力，持續打造更安全、更快、更便宜、也更貼合產品需求的專用模型。
在垂直場景中，經過專門訓練的小模型往往比盲目堆疊參數更有效。尤其在資金安全這件事上，這種聚焦才真正具有說服力。 @EchoHunt_ai